術語速查

能自主設定目標、規劃並執行、與外界互動、持續學習調整的 AI 系統。今年最高頻的詞，而且幾乎都被用來談難處而非願景。資安院指出這四項能力與《魔鬼終結者》Skynet 完全吻合。

多個專業 agent 協作。在 AIA 的廚房比喻中：LLM 是博學但只會說不會做的專家；AI Workflow 是照 SOP 執行、路徑寫死的助手；AI Agent 是會規劃工具、會評估的目標驅動代理人；Agentic Workflow 則是米其林餐廳的主廚＋副主廚＋醬料師。

不再於設計時寫死檢索流程，改讓 agent 在任務中途主動決定要查什麼。今年被點名為「取代單純 RAG 教學」的東西。

黃能富打造的 no-code 平台，用於創作視覺與聽覺模型：收集數據 → 標註 → 訓練 → 下載部署 → 執行 → 評量 → 迭代，全程不需寫程式。並搭配分散式算力共享聯盟，讓沒有算力的學校也能參與。

無人機飛控軟體兩大陣營。ArduPilot 源自 2009 年的 Arduino Mega，現轉 STM32／ARM 架構，100% 開源、GPL 授權；PX4 則由基金會支持。

開源自駕系統。陽明交大把 OpenSCENARIO 情境模板對接到這兩者，做模擬式安全驗證。

聯發創新基地開源的繁體中文模型家族。Breeze 2 在可樂旅遊護照 OCR 的失敗案例上表現優於 Gemini（模型量級小很多）；Breeze ASR 開源兩三個月內下載量達 12 萬次。

在訓練時於 input 與 output 之間加入解釋與推理，讓模型預測「思路」而不只是下一個 token。紀懷新掛名 2022 年 1 月的論文，其核心的 schemata 概念是他近 30 年前替母親校對博士論文時學到的。

新模型與現行模型並行一段時間後才切換上線。玉山金控模型每週重新訓練，雙模型並行測試一週才切換。

大型語言模型的多個能力組合後會產生新的湧現能力，因此安全性是相乘而非相加。紀懷新指出安全性是 A × B × C 而非 A + B + C，傳統「divide and conquer」的系統安全思維在 LLM 上直接失效。

管理模型 context window 內容的方法論，借用 Karpathy 的比喻：LLM 像作業系統、模型像 CPU、context window 像 RAM。四種操作：寫入 Context（To-do List 存硬碟、長期記憶）、選擇 Context（Agentic RAG）、壓縮 Context、隔離 Context（Sub-agent）。今年取代了 prompt engineering。

判斷解法中哪一部分該記功或記過。孫紹華發現 LLM 缺乏這個能力（無法判斷生成的 program 中哪部分做得好或不好），因此仍需搭配 search 或 RL 才能真正把 program 修正到位。

在虛擬世界模擬情境、調整參數、找出最佳解後再部署到現實世界。今年被定位成「AI 走進實體世界的橋樑」—— 不是為了看起來很像，而是為了同時降低 Physical AI 的三項成本。台達的反直覺結論：它真正派上用場的是試生產階段，而非量產。

以機器學習依即時氣候動態調整輸電線路載流上限，取代過去以年度最高溫設定的保守固定值。西門子的德國客戶因此在同一線路上提升 20% 輸電量，且無須額外硬體投資。

訓練資料中沒有的新行為自行出現。肖準行銷微調的模型自創了網路流行語，講者上網查證從未出現過。

91App 的設計選擇：把 Evaluator 完全獨立在對話流程之外，做事後批次評分交人類主管審查，形成優化循環，而非流程內的即時檢查。

AI 為入口的世界中對應 SEO 的新概念。91App 的說法：未來 AI 為入口的世界如果找不到你，等於你在 Google 搜尋裡不存在一樣嚴重。

用可直接手寫的 reward function 取代 PPO 的獨立 value model，省下大量 GPU。Twinkle AI 的比喻：PPO 像身邊多一位家教即時批改每一步，GRPO 像用附詳解的自修講義自我對答。自家 F1 模型用兩個 reward function 就讓 MMLU 從 50 分升到 64 分。限制：若原始模型在 pre-training 階段從未學過相關知識，GRPO 也 train 不起來。

模型外圍的防護框架 —— 過濾輸出入、監控行為與政策、落實最小權限、支援人機協同。資安院建議優先參考 Meta 的 Llama Firewall。

自動化流程中的人為判斷節點。Taiwan AI Labs 的論點：真實的採購流程有許多這樣的節點，設計它們才是「AI 治理」真正的意涵。

用於驗證 AI 黑盒系統能否有效理解場景、安全運作、並在設計範圍內完成任務的標準。陽明交大用於情境式自駕安全驗證。

Yann LeCun 在 Meta 提出的世界模型架構。V-JEPA 2 於 2025 年 6 月發表，訓練自百萬小時影片，支援零樣本機器人控制。年會中被引用來示範球滾過隆起路面的物理預測。

Meta AI 官方頁

Meta 的整合式防護框架，結合 Prompt Guard（專門小模型，CPU 可跑）、Llama Guard（約 12B 參數）與 MCP／plugin 控制。資安院建議開發團隊優先參考此框架建置系統。

無人機與地面站溝通的核心通訊協定，含心跳、狀態回報、指令下達。被點名為「懂 AI 但不熟無人機硬體」者最適合切入的介接點。

把模型接上外部工具的協定。風險是雙向的：提示詞注入誘導 LLM 誤用已連接的工具，以及 LLM 連到惡意或遭入侵的 MCP Server 而被餵「中毒」的資料。Salesforce 關於「工具接越多、準確率越低」的發現被反覆引用。

訓練或推論實際用掉多少可用浮點算力的效率指標。華碩點名這是台智雲的核心競爭力：針對客戶 workload 特性優化 MFU。

今年反覆被提及、象徵成本崩塌的圖像生成模型 —— 依案例約 1.17 到 10 元台幣一張，對比傳統實拍 50 萬元。

NVIDIA 的多卡並聯通訊庫。年會點出的實務地雷：版本需對應顯卡等級 —— 較低階新卡（如 RTX 6000 系列）需手動升級到較新版（如 2.26.5），否則原生支援 B200／H100 的官方 vLLM image 會跑不起來。

開源肌骨模擬軟體。台體大用於分析關鍵動作關節角度、動力鏈缺損偵測與各關節受力 —— 並據此發現收尾階段的 UCL 受力大於最大肩外旋時刻。

數位孿生的場景描述格式。今年的產業訊號：台積電已在部分管路案要求廠商交付 USD 資產，讓數位孿生從「內部工具」變成「交付規格」。

LLM 資安風險的參考框架。資安院把「訓練、使用、系統整合」三階段對照到這個框架，並指出提示詞注入、敏感資料揭露、供應鏈風險影響最大。

能 perceive／reason／act，透過 sensor 與 actuator 和物理世界互動的系統。年會給出的層次：Generative AI → Agentic AI（＋digital tool use）→ Physical AI（再加上 physical tool use）。

孫紹華的研究路線：在行動前先用 domain-specific language 合成一段人類可讀、可驗證、可局部除錯的 program 作為決策邏輯，而非訓練黑盒神經網路 policy。在迷宮任務上產出的正是「右手定則」本身，可泛化到任意大小。

為了在量子電腦面前仍然安全而設計的加密法。量子電腦可分解傳統密碼學所依賴的數學問題，使現行加密方法失效。美國政府訂定 2030 年為因應期限；NIST 提供 risk management 框架協助規劃演算法轉換。

在外部資料（郵件、網頁、摘要文件，如白底白字）中藏入隱藏指令，LLM 讀取時被誤導執行。資安院的論點：直接注入屬「自作自受」、非防護重點；真正的風險是間接注入，尤其在 LLM 整合進郵件摘要、文件系統、客服系統等自動化流程時。

Guardio Labs 於 2025 年 8 月提出的用詞，指代理型 AI 瀏覽器帶來的新型詐騙攻擊面：AI 取代人類成為詐騙目標。

Guardio Labs 研究報告

小型語言模型，通常針對垂直領域微調。年會引用的 NVIDIA 研究稱 70% 的 AI agent 需要 SLM 優化才可用；APMIC 的 24B 模型在台灣法律領域打贏 GPT-OSS 120B，VRAM 只要五分之一。

見 ISO 21448。

出自 1978 年 MIT 關於潛水載具遠端遙控的論文：直接遠端操控會遇到 latency 問題，解方是人類只下達方向目標、設備自身處理細節控制。和碩把這個類比延伸到企業赴海外設廠的管理 latency。

借自《快思慢想》。在 NVIDIA Isaac GR00T N1 中，System 2 負責長時間規劃、System 1 負責快速反應。瑞昱的論點：System 2 必然有幻覺（對未發生的事做預測本質就是腦補），因此台灣應做 System 1 —— 可硬體化的感測—致動反射迴路，無幻覺且極省電。

國網中心與產業共建的超級電腦，252 節點、9 PFLOPS，2020 年名列全球 TOP500 第 20 名。一半算力供學研使用，另一半供產業使用。華碩用它訓練客語 AI 主權模型。

TechNews 報導

台灣智慧雲端服務股份有限公司，華碩集團關聯企業，經營 AI Foundry（GPU VM、bare metal 模型代工，以及 oneAI 訓練微調平台）。與台積電無關 —— 兩者僅名稱發音相近造成混淆。

迪威智能從一個最終沒做成產品的案例得出的延伸概念：好模型不代表能對應到合適場景，能對應場景也不代表可規模化，可規模化也不代表使用者覺得好用。

含台灣國考題庫的繁體中文通用知識評測，近萬題。之所以自建，是因為通用英文評測測不出繁中場景的可用性。

陽明交大自行開發的球體追蹤深度學習模型，先以網球（顏色鮮明、速度較慢）驗證可行性，再挑戰羽球（小物件、極高速、視覺特徵少）。其「多幀」設計讓模型利用連續前後幀學習飛行軌跡特徵；後續演進為「多進多出」（10-in-10-out）以提升吞吐量。

模型吐出第一個 token 前的延遲。Benchmark 的關鍵指標之一，且權衡關係固定：縮短 TTFT 會拉長後續 token 間延遲（總時間固定），可透過 max_model_len 與 max_num_seqs 調整。

機器人描述格式。與 OpenUSD 一樣，正從內部工具變成交付項目 —— 機器人供應商交易時已開始要求交付 URDF。

把視覺與語言映射到機器人動作的模型。年會給出的發展脈絡：2022 年 Google RT-1 將動作編碼為 transformer 中的特殊 token，後續加入軌跡資訊，再擴展到 22 種載體訓練並開源，近期最受矚目的是 NVIDIA Isaac GR00T N1。

適合多卡／多機多卡部署的推論框架，企業多當標配。Ollama 是快速本機測試的替代選擇（操作類似 Docker CLI，有現成 model repository），另有 LM Studio。

英業達對資料外洩的務實解法：不監聽員工全部對話，只在偵測到疑似機敏資料被送往外部大型模型時發出警示，供事後稽核。這是承認「員工一定會私下用外部工具」之後的設計。

和碩用來選任務的 Stanford 論文，兩軸法：x 軸「人是否想要 AI 幫忙」、y 軸「技術可行性」，只做右上角綠區。其發現：人最想要 AI 代勞的是安排預約、維護檔案、格式轉換；最不想要 AI 介入的多是創意型工作。

對世界運作方式建模、用以預測接下來會發生什麼。年會出現三條路線：generative-based（NVIDIA Cosmos、Google Genie）、Meta 的 JEPA、以及結合影片與 LLM 的做法。瑞昱的批評：純文字描述式世界模型會遺失潛在空間中的關鍵資訊，不如視覺化世界模型。

廣運引 NVIDIA 說法歸納 Physical AI 三大成本障礙的口號：資料貴（實際可用真實數據僅約 10%）、訓練貴（懂訓練的工程師稀缺昂貴）、實體測試貴（單台人形機器人約 400 多萬元）。數位孿生存在的理由就是同時降低這三項。